Resumen

Mediante la exploración y visualización de datos, se evidenció ….

Introducción

Todo delito trae consigo una serie de inconvenientes o sufrimiento para una o más personas. Por esto y más siempre ha sido de interés para el humano el estudio de diversos delitos. Lo ideal sería poder predecir estos actos para así evitar los daños generados, pero lamentablemente esto no es posible debido a la gran aleatoriedad de los actos de las personas. Aunque no se puede tener certeza de que se cometerá un delito, sí se puede tratar de encontrar un patrón espacial.

Es por esto que buscamos analizar los distintos niveles de delitos por comuna de la Región Metropolitana y relacionarlos con distintas variables comunales, como son el porcentanje de hacinamiento, la cantidad de habitantes por vivienda, el índice de masculinidad poblacional, nivel de escolaridad del jefe de hogar, entre otras. Queremos responder preguntas como ¿Existirán patrones identificables de los tipos de delitos según las diversas variables comunales? ¿Hay relación entre algunos delitos y el nivel de de hacinamiento? ¿Tiene incidencia el nivel educacional del jefe de hogar? ¿Qué delitos sí y cuáles no?

Además, dado que tenemos información espacial ¿Podremos predecir futuros lugares conflictivos según la evidencia de evolución temporal? o ¿Existirán relaciones en los resultados alcanzados entre las unidades vecinales (comunas)?

Las conclusiones obtenidas podrían usarse para que cada comuna genere medidas preventivas desde su realidad, al tomar conocimiento de las variables que propician estos delitos.

Metodología

En este estudio utilizaremos los datos del Centro de Estudios y Análisis del Delito CEAD para los delitos clasificados como: Consumo de alcohol en la vía pública, ruidos molestos, abusos sexuales y otros delitos sexuales, violencia intrafamiliar contra el adulto mayor, contra la mujer y contra el niño. También, usaremos datos del CENSO 2017 provenientes de INE.

En las siguientes tablas podremos ver la descripción de nuestras variables a estudiar:

Tabla I: Descripción de variables Delitos en la región metropolitana.
Variable Tipo de variable Descripción
COMUNA Categórica Nombre de la comuna
ALCOHOL Numérica Cantidad de denuncias por delitos de consumo de alcohol en la vía pública
RUIDO Numérica Cantidad de denuncias por delitos de ruidos molestos
ABUSO Numérica Cantidad de denuncias por abusos sexuales y otros delitos sexuales
VIO.ADULT Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a adulto mayor
VIO.MUJ Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a mujer
VIO.NIN Numérica Cantidad de denuncias por delitos de violencia intrafamiliar a niño/a
ANIO Numérica Año de las denuncias (2010 al 2017)
Tabla II: Descripción de variables CENSO 2017 RM.
Variable Tipo de variable Descripción
Comuna Categórica Nombre de la comuna
POB Numérica Número de habitantes
VIV Numérica Número de viviendas
HACI Numérica Porcentaje de viviendas con hacinamiento
MASCU Numérica Índice de Masculinidad (hombres cada 100 mujeres)
ESC Numérica Años de escolaridad promedio del jefe o jefa de hogar

Iniciaremos nuestra investigación realizando un análisis previo mediante visualizaciones para observar posibles patrones, asociaciones y correlaciones a través de corrplots, variogramas, correlogramas y gráficas de dispersión, además de usar diversos test de asociación espacial.

Posteriormente, construiremos modelos espacio temporales para datos de área (CARBayes), revisaremos a través de clusters algo JALDKJ y relizaremos predicciones espaciales (kriging)

Será necesario poner librerias???

Análisis Previo

Variable Hacinamiento

Tanto el test de Moran como el Geary nos dicen que existe autocorrelación espacial.

## 
##  Moran I test under randomisation
## 
## data:  D2017$HACI  
## weights: b_pesos    
## 
## Moran I statistic standard deviate = 4.3137, p-value = 8.028e-06
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.321553577      -0.019607843       0.006254985
## 
##  Geary C test under randomisation
## 
## data:  D2017$HACI 
## weights: b_pesos 
## 
## Geary C statistic standard deviate = 3.4968, p-value = 0.0002354
## alternative hypothesis: Expectation greater than statistic
## sample estimates:
## Geary C statistic       Expectation          Variance 
##       0.656486030       1.000000000       0.009650427

Variable Pob_Viv

Se generó una nueva variables ´Pob_Viv´ que resume la población y la cantidad de viviendas de la comuna. Para esta variable tanto el test de Moran como el Geary nos dicen que existe autocorrelación espacial.

## 
##  Moran I test under randomisation
## 
## data:  D2017$Pob_Viv  
## weights: b_pesos    
## 
## Moran I statistic standard deviate = 4.1575, p-value = 1.609e-05
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.308628430      -0.019607843       0.006233298
## 
##  Geary C test under randomisation
## 
## data:  D2017$Pob_Viv 
## weights: b_pesos 
## 
## Geary C statistic standard deviate = 2.8629, p-value = 0.002099
## alternative hypothesis: Expectation greater than statistic
## sample estimates:
## Geary C statistic       Expectation          Variance 
##        0.71420053        1.00000000        0.00996565

Variable MASCU

Tanto el test de Moran como el Geary nos dicen que existe autocorrelación espacial.

## 
##  Moran I test under randomisation
## 
## data:  D2017$MASCU  
## weights: b_pesos    
## 
## Moran I statistic standard deviate = 2.8791, p-value = 0.001994
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.201845285      -0.019607843       0.005916503
## 
##  Geary C test under randomisation
## 
## data:  D2017$MASCU 
## weights: b_pesos 
## 
## Geary C statistic standard deviate = 2.9365, p-value = 0.00166
## alternative hypothesis: Expectation greater than statistic
## sample estimates:
## Geary C statistic       Expectation          Variance 
##        0.64554653        1.00000000        0.01457023

Variable ESC

Tanto el test de Moran como el Geary nos dicen que existe autocorrelación espacial.

## 
##  Moran I test under randomisation
## 
## data:  D2017$ESC  
## weights: b_pesos    
## 
## Moran I statistic standard deviate = 6.7455, p-value = 7.626e-12
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.508872193      -0.019607843       0.006138077
## 
##  Geary C test under randomisation
## 
## data:  D2017$ESC 
## weights: b_pesos 
## 
## Geary C statistic standard deviate = 5.1669, p-value = 1.19e-07
## alternative hypothesis: Expectation greater than statistic
## sample estimates:
## Geary C statistic       Expectation          Variance 
##        0.44954254        1.00000000        0.01134968

En general

Todas las variables comunales de la base CENSO 2017 tienen autocorrelación espacial.

Resultados

Conclusión

Referencias